Federated learning su agentais: tyrimas be duomenų kraustymo
NVIDIA parodė FLARE Auto-FL pavyzdį, kuriame DI agentai padeda greitinti federated learning tyrimus.
Šiame straipsnyje · 6 dalys
- Kas yra federated learning? Tai modelių mokymo būdas, kai duomenys lieka skirtingose vietose, o dalijamasi mokymosi rezultatais.
- Kuo čia padeda agentai? Jie gali siūlyti, vykdyti ir dokumentuoti eksperimentus pagal nustatytas ribas.
- Kur tai naudinga? Ten, kur duomenys jautrūs: sveikatos, finansų, gamybos ar viešojo sektoriaus srityse.
federated learning su agentais skamba kaip techninis terminas. Bet kai pažiūri praktiškai, čia yra labai žemiškas klausimas: kiek darbo darome rankomis tik todėl, kad niekas neprisėdo sutvarkyti proceso?
NVIDIA parodė FLARE Auto-FL pavyzdį, kuriame DI agentai padeda greitinti federated learning tyrimus. Skamba akademiškai. Bet po apačia yra verslui labai suprantama problema: kaip mokytis iš duomenų jų neišnešant iš vietos?
Man tokiose naujienose visada įsijungia mažas vidinis buhalteris. Ne tas, kuris skaičiuoja sąskaitas, o tas, kuris klausia: kiek tai kainuos, kas prižiūrės ir kur gali lūžti?
Kas nutiko
FLARE Auto-FL pavyzdys naudoja ribotus agentų veiksmus, fiksuotus benchmarkus, eksperimentų žurnalus, literatūra paremtą atsigavimą po klaidų ir atkuriamas ataskaitas.
Kai įmonės kalba apie duomenų dalijimąsi, kambaryje greitai pasidaro tyliau. Visi nori geresnių modelių, bet niekas nenori savo jautrių duomenų padėti ant bendro stalo.
Kodėl tai svarbu
Federated learning su agentais svarbus sveikatos, finansų, gamybos ir viešojo sektoriaus projektams, kur duomenys negali laisvai keliauti, bet bendras mokymasis vis tiek turi vertę.
DI jau nebe vien langelis, į kurį įmetame tekstą. Jis jungiasi prie įrankių, moka kviesti servisus, gali veikti keliais žingsniais ir pradeda liesti tikrus verslo pinigus. Čia romantika baigiasi. Prasideda tvarka.
Ką tai reiškia verslui
Verslui čia pamoka tokia: agentai gali padėti tyrimų komandai greičiau testuoti idėjas, bet tik tada, kai eksperimentai turi ribas, žurnalus ir pakartojamumą.
- neleisti agentui keisti eksperimento taisyklių be logų
- naudoti fiksuotus benchmarkus
- saugoti kiekvieno bandymo žurnalą
- vertinti rezultatą pagal pagerėjimą ir kaštą
Pavyzdys: kelios ligoninės gali mokyti modelį iš vietinių duomenų, neperkeldamos pacientų įrašų į vieną centrinę vietą.
Kur pasislėpusi rizika
Rizika – greitai prigaminti daug eksperimentų ir nebežinoti, kuris ką įrodė. Be žurnalo tyrimas tampa prisiminimų žaidimu.
Blogiausia DI klaida dažnai neatrodo kaip klaida. Ji ateina gražiai parašytu sakiniu, mandagiu tonu ir labai užtikrintu veidu. Todėl verslui reikia ne tik įrankių, bet ir įpročio tikrinti.
Ką pasidaryti šią savaitę
Jei dirbate su jautriais duomenimis, paklauskite ne „ar galime juos perkelti?“, o „ar galime mokytis jų nejudindami?“
Rašome apie dirbtinį intelektą lietuviškai. Kiekvienas straipsnis parengtas pagal nurodytą šaltinį, o nuorodą į originalą rasite kortelėje „Šaltinis“.
